Warum Ihre EnPIs lügen — und was Sie dagegen tun

Wenn Sie einen Energiebeauftragten fragen, ob er multivariate EnPIs nutzt, sagt er meistens: „Ja, klar.” Wenn Sie ihn fragen, wie er sie konkret rechnet, wird’s still. Das ist kein Vorwurf — es ist die Realität in den meisten Industriestandorten. Die ISO 50006 ist auf dem Papier eingeführt, in der Praxis aber selten richtig umgesetzt.

Dieser Artikel ist für alle, die ehrlich genug sind zu sagen: „Eigentlich weiß ich, dass meine EnPIs nicht ganz sauber sind. Aber wie macht man’s richtig?”

Das Grundproblem in einem Satz

Sie definieren eine Kennzahl wie „kWh pro Tonne Stahl” — und sie schwankt monatlich um 20–40 %. Das liegt nicht daran, dass Ihre Anlage sich monatlich um 20–40 % effizient ändert. Es liegt daran, dass die Kennzahl Realität nur unvollständig abbildet.

Mögliche Gründe für die Schwankung:

• Die Außentemperatur war im Februar 12 °C niedriger als im April
• Im März wurde mehr Edelstahl produziert (höherer spezifischer Energiebedarf) als im Juni (Standard-Stahl)
• Die Nachtschicht im Q1 lief mit anderem Personal, die Lastgänge sind anders
• Im Mai stand eine Anlage 3 Tage still — das senkt den Verbrauch absolut, aber verzerrt die spezifischen Kennzahlen

Jeder dieser Effekte ist real. Keiner hat etwas mit Ihrer Energie-Effizienz zu tun. Wenn Ihre EnPI ihn nicht berücksichtigt, lügt sie über Ihre Effizienz — mal nach oben, mal nach unten.

Was die ISO 50006 dazu sagt

Die ISO 50006 (Energieleistungs-Indikatoren und energetische Ausgangsbasis) ist die Schwester-Norm zu ISO 50001. Sie erklärt, wie EnPIs methodisch sauber gebildet werden. Die Kern-Forderung:

EnPIs müssen relevante Einflussgrößen berücksichtigen, sodass tatsächliche Effizienzänderungen von Variationen der Einflussgrößen unterschieden werden können.

In klarer Sprache: Wenn die Außentemperatur Ihren Verbrauch beeinflusst, muss die EnPI das herausrechnen. Sonst zeigt sie nicht Ihre Effizienz, sondern den Wettereinfluss.

Die ISO 50006 nennt dafür konkrete Methoden: lineare Regression, multiple Regression, energetische Modelle. Das ist Mathematik, die seit den 1960er Jahren bekannt ist — aber für die meisten Energie­beauftragten Neuland.

Die häufigsten EnPI-Fehler in der Praxis

Aus zehn Jahren Beratungserfahrung — hier sind die drei häufigsten Fehler:

Fehler 1: Einfache Quotienten ohne Einflussgrößen

„kWh pro Stunde Produktion” oder „kWh pro Tonne Output”. Klingt sinnvoll, ist aber meist nutzlos. Diese einfachen Quotienten ignorieren alle anderen Einflüsse außer der Bezugsgröße.

Beispiel: Eine Druckluft-Erzeugung mit konstanter Maschine. Sie verbraucht im Winter mehr, weil die Kompressor-Ansaugluft kälter ist und kompensatorisch mehr Volumen gefördert werden muss. Die einfache EnPI „kWh pro m³ Druckluft” wird im Winter „schlechter” — obwohl die Anlage gleich effizient ist.

Richtiges Vorgehen: Außentemperatur als Einflussgröße in die Regression aufnehmen. Die EnPI wird dadurch normalisiert — und zeigt nur noch echte Effizienzänderungen.

Fehler 2: Falsche Bezugsgrößen

„kWh pro Mitarbeiter” für Bürogebäude. „kWh pro EUR Umsatz” für ganze Werke. Diese Bezugsgrößen sind oft zu indirekt — sie haben mit dem Energieverbrauch nur einen losen Zusammenhang.

Beispiel: Ein Maschinenbau-Werk mit „kWh pro EUR Umsatz”. Wenn der Umsatz wegen Preiserhöhungen steigt, sinkt die EnPI — ohne dass sich am Energieverbrauch etwas geändert hat. Die EnPI ist ein Phantom.

Richtiges Vorgehen: Direkte technische Bezugsgrößen verwenden. Produktionsmenge (Tonnen, Stück), Betriebsstunden, beheizte Fläche. Wenn diese mit dem Energieverbrauch ursächlich zusammenhängen, ist die EnPI aussagekräftig.

Fehler 3: Baseline ohne Methodik

Die „energetische Ausgangsbasis” (Kap. 6.5 der ISO 50001) ist der Referenzwert, gegen den Veränderungen gemessen werden. In vielen Werken ist die Baseline einfach „2019 Mittelwert” — ohne Berücksichtigung der Einflussgrößen, die das Jahr 2019 anders gemacht haben.

Beispiel: Sie haben 2024 eine LED-Umstellung umgesetzt. Ihre Energie-EnPI ist um 8 % gesunken. Toll. Aber: 2024 war auch ein milder Winter, die Produktion war um 12 % höher, und Sie haben eine neue Halle bezogen. Wie viel der 8 % war LED, wie viel war Wetter, Produktion oder neue Halle? Ohne multivariate Baseline wissen Sie es nicht.

Richtiges Vorgehen: Baseline als statistisches Modell, nicht als Mittelwert. Die Baseline „prognostiziert” für jeden Monat den erwarteten Verbrauch, basierend auf den Einflussgrößen. Die EnPI ist dann die Abweichung vom prognostizierten Wert.

Wie multivariate EnPIs konkret aussehen

Genug Theorie. Wie sieht eine multivariate EnPI aus, wenn sie richtig gemacht ist?

Schritt 1: Einflussgrößen identifizieren

Für ein typisches Industriewerk sind die relevanten Einflussgrößen:

• Produktionsmenge (in passender Bezugsgröße — Tonnen, Stück, m²)
• Außentemperatur (Tagesmittelwert für Heizung, Höchsttemperatur für Kälte)
• Schichtmodell (1, 2 oder 3 Schichten)
• Produktmix (Anteil verschiedener Produktklassen, wenn relevant)
• Betriebszustand (Normal, Stillstand, Anlauf)

Schritt 2: Korrelationen prüfen

Bevor Sie eine Variable ins Modell nehmen, prüfen Sie: Hängt sie überhaupt mit dem Energieverbrauch zusammen? Eine einfache Streupunkt-Darstellung zeigt das oft schon.

Wenn die Korrelation zwischen Außentemperatur und Heizenergie sehr stark ist (R² > 0,8), ist die Temperatur eine sinnvolle Variable. Wenn die Korrelation schwach ist (R² < 0,3), bringt die Variable nichts ins Modell.

Schritt 3: Modell aufstellen

Mathematisch wird der Verbrauch als Funktion der Einflussgrößen modelliert:

Erwarteter Verbrauch = a₀ + a₁ × Produktionsmenge + a₂ × Außentemperatur + ...

Die Koeffizienten a₀, a₁, a₂ werden über lineare Regression aus historischen Daten ermittelt. In modernen EnMS-Software-Lösungen läuft das automatisch — Sie sehen das Ergebnis als Gleichung oder als visuellen Vergleich.

Schritt 4: Modell validieren

Ein gutes Modell hat ein hohes R² (z.B. > 0,85) und passt zu Ihrem Wissen über die Anlage. Wenn das Modell sagt, dass die Außentemperatur den Verbrauch um 5 % pro °C ändert, aber Sie aus Erfahrung wissen, dass es eher 1 % sein sollte — dann ist im Modell etwas faul. Vermutlich gibt es eine versteckte Variable.

Schritt 5: Im Betrieb nutzen

Sobald das Modell läuft, vergleicht es ständig: Was wäre erwartet? Was ist passiert? Die Differenz ist die echte Effizienzänderung. Ein Maßnahmen-Erfolg wird so erstmals sauber messbar.

Was Sie mit guten EnPIs erreichen

Wenn Ihre EnPIs methodisch sauber sind, ändert sich etwas Wichtiges: Diskussionen über Energie werden plötzlich konkret.

Vorher: „Der Verbrauch ist gestiegen.” — „Aber wir haben mehr produziert.” — „Trotzdem zu viel.” — „Aber das Wetter war kälter.” — Endlose, ergebnislose Schleife.

Nachher: „Die EnPI zeigt einen tatsächlichen Mehrverbrauch von 3 % gegenüber Erwartung, bereinigt um Produktionsmenge und Wetter.” — „Was kann das sein?” — „Vermutlich der neue Trockner — der lief mit unrunder Einstellung.” Diskussion in 30 Sekunden gelöst.

Das ist der Unterschied zwischen EnPIs als Norm-Pflicht und EnPIs als operativem Werkzeug.

Warum es trotzdem so selten gemacht wird

Multivariate EnPIs sind statistisch nicht trivial. Sie brauchen:

• Saubere Daten mit ausreichender Historie (mindestens 12 Monate, besser 24)
• Statistische Werkzeuge (Excel kann’s notdürftig, aber wird unübersichtlich)
• Verständnis der Methodik — nicht jeder Energiebeauftragte ist Statistiker
• Konsistente Pflege über Jahre

Genau hier setzt eine EnMS-Software wie ecorize an. Wir machen die Statistik im Hintergrund. Sie wählen die Einflussgrößen, wir berechnen die Regression. Sie sehen die EnPI als verständlichen Wert mit Konfidenzintervall, nicht als Excel-Tabelle mit Trendlinien.

Die Mathematik dahinter ist die gleiche, die seit Jahrzehnten bekannt ist. Nur eben automatisiert, durchgängig, audit-fest.

Wer das tiefer verstehen will: Forecasting & EnPI zeigt unser Vorgehen mit Mathematik und Use Cases. Die ISO 50006 selbst ist auch eine empfehlenswerte Lektüre — sie ist eine der konkretesten ISO-Normen, die wir kennen.

Was Sie jetzt tun können

Wenn Sie Ihre EnPIs ehrlich prüfen wollen: Schauen Sie sich an, ob sie monatlich stark schwanken. Wenn ja, sind sie wahrscheinlich nicht aussagekräftig.

Wir können das schnell durchspielen: 30 Minuten Demo, wir nehmen einen Ihrer Bereiche, definieren eine multivariate EnPI live, und Sie sehen den Unterschied. Demo vereinbaren.

Oder erst einmal sortieren: Reifegrad-Check — eine der Fragen zielt explizit auf Ihre EnPI-Qualität.